通过物体的边缘检测，我们可以完成很多的图像识别任务。科学研究发现，图像边缘检测的原理是检测出图像中所有灰度值变化较大的点，而且这些点连接起来就构成了若干线条，这些线条就可以称为图像的边缘。常见的边缘检测算法包括Soble边缘检测，拉普拉斯边缘检测和Canny边缘检测。
Sobel边缘检测
图像的彩色信息在进行边缘检测时通常是多余的，因此可以在进行边缘检测前先把彩色图像转换成灰度图像。直观的感觉，灰度图像中的边缘一定是变化相对比较剧烈的区域，那么这个区域灰度值的一阶导数便是取极大值或者极小值。Sobel边缘检测正是基于这一原理，在OpenCV中的函数定义如下：
Sobel(src,ddepth, dx, dy, ksize=None, scale=None, delta=None, borderType=None)
其中主要的参数如下：
- ddepth: 深度类型，通常用cv2.CV_64F表示64位浮点数即64 float。
- dx：x方向的导数，1表示取导，0表示不取导。
- dy: y方向的导数，1表示取导，0表示不取导。
- ksize: 卷积核的大小。
# 加载需要的库文件
Sobel边缘检测，区分不同的方向
import
拉普拉斯边缘检测
基于一阶导数的Sobel效果并不理想，人们在其基础上提出了取对应的二阶导数为0的点为边缘。拉普拉斯边缘检测正是利用了这一原理。
拉普拉斯在OpenCV中的函数定义如下:
Laplacian(src, ddepth, ksize=None, scale=None, delta=None, borderType=None)
其中主要的参数为：
- ddepth: 深度类型。
- ksize: 卷积核大小。
img
(A)图像表示原图，(B)图使用了拉普拉斯边缘检测，（C）图像使用了Sobel边缘检测。相对于Sobel,拉普拉斯对边缘的识别效果更好，但是拉普拉斯对噪声敏感，会产生双边效果，不能检测出边的方向，通常不直接用于边的检测，只起辅助的角色。
Canny边缘检测
Canny边缘检测是使用最广泛的边缘检测算法之一，可以有效减少噪音的影响，同时边缘处理的效果也不错。
Canny边缘检测算法可以分为以下5个步骤:
1) 使用高斯滤波器，以平滑图像，滤除噪声。
2) 计算图像中每个像素点的梯度强度和方向。
3) 应用非极大值抑制，以消除边缘检测带来的杂散响应。
4) 应用双阈值检测来确定真实的和潜在的边缘。
5) 通过抑制孤立的弱边缘最终完成边缘检测。
Canny算法应用双阈值的技术，即设定一个阈值上界和阈值下界，图像中的像素点如果大于阈值上界则认为必然是边缘，小于阈值下界则认为必然不是边缘，两者之间的则认为是候选项，需进一步处理。
Canny边缘检测在OpenCV中的函数定义如下：
Canny(image, threshold1, threshold2, edges=None, apertureSize=None, L2gradient=None)
其中主要的参数如下:
- threshold1: 阈值1，即低阈值。
- threshold2: 阈值2，即高阈值。
低阈值用来控制边缘连接，高阈值用来控制强边缘的初始分割，低于低阈值的会被判定为不是边缘，高于高阈值的会被判定为边缘，中间区间的会通过计算判断是否为边缘。
import
(A)图像是原图像，(B)图像是叠加的高斯噪声图像，(C)图像是对混有高斯噪声的图像进行拉普拉斯边缘检测，(D)图像是对混有高斯噪声的图像进行Canny边缘检测。由上图可以看出，拉普拉斯边缘检测容易受到噪声干扰，Canny边缘检测对噪声具有一定的抵御能力。